KoGPT2

• KoGPT2 (корейский GPT-2), версия 2.0
  • токенизатор
  • Модель
    • Спектакли
    • Классификация или регрессия
  • Данные
  • Демо
  • Примеры, предоставленные пользователями
  • Соответствующие пресс-релизы
  • Контакты
  • Лицензия

KoGPT2 (корейский GPT-2), версия 2.0

GPT-2 — это языковая модель, которая научилась хорошо предсказывать следующее слово в заданном тексте и оптимизирована для генерации предложений. KoGPT2 — это языковая модель корейского decoder изучаемая с использованием более 40 ГБ текста, позволяющая преодолеть недостаточную производительность корейского языка.

токенизатор

Прошел обучение с помощью Character BPE tokenizer из пакета tokenizers .

Размер словаря составляет 51 200, а способность распознавания токенов была увеличена за счет добавления смайлов и эмодзи, например тех, которые часто используются в разговорах, как показано ниже.

?, ?, ?, ?, ?, .. , :-) , :) , -) , (-: ...

Кроме того, были определены неиспользуемые токены, такие как <unused0> до <unused99> , чтобы их можно было свободно определять и использовать в зависимости от требуемой задачи.

KoGPT2-base-v2", bos_token='</s>', eos_token='</s>', unk_token='<unk>', pad_token='<pad>', mask_token='<mask>') > tokenizer.tokenize("안녕하세요. 한국어 GPT-2 입니다.?:)l^o") ['▁안녕', '하', '세', '요.', '▁한국어', '▁G', 'P', 'T', '-2', '▁입', '니다.', '?', ':)', 'l^o']">

 > from transformers import PreTrainedTokenizerFast
> tokenizer = PreTrainedTokenizerFast . from_pretrained ( "skt/ KoGPT2 -base-v2" ,
  bos_token = '</s>' , eos_token = '</s>' , unk_token = '<unk>' ,
  pad_token = '<pad>' , mask_token = '<mask>' )
> tokenizer . tokenize ( "안녕하세요. 한국어 GPT-2 입니다.?:)l^o" )
[ '▁안녕' , '하' , '세' , '요.' , '▁한국어' , '▁G' , 'P' , 'T' , '-2' , '▁입' , '니다.' , '?' , ':)' , 'l^o' ]

Модель

Модель	# параметров	Тип	количество слоев	количество голов	ffn_dim	скрытые_димсы
KoGPT2 -base-v2	125М	Декодер	12	12	3072	768

KoGPT2-base-v2') > text = '근육이 커지기 위해서는' > input_ids = tokenizer.encode(text, return_tensors='pt') > gen_ids = model.generate(input_ids, max_length=128, repetition_penalty=2.0, pad_token_id=tokenizer.pad_token_id, eos_token_id=tokenizer.eos_token_id, bos_token_id=tokenizer.bos_token_id, use_cache=True) > generated = tokenizer.decode(gen_ids[0]) > print(generated) 근육이 커지기 위해서는 무엇보다 규칙적인 생활습관이 중요하다. 특히, 아침식사는 단백질과 비타민이 풍부한 과일과 채소를 많이 섭취하는 것이 좋다. 또한 하루 30분 이상 충분한 수면을 취하는 것도 도움이 된다. 아침 식사를 거르지 않고 규칙적으로 운동을 하면 혈액순환에 도움을 줄 뿐만 아니라 신진대사를 촉진해 체내 노폐물을 배출하고 혈압을 낮춰준다. 운동은 하루에 10분 정도만 하는 게 좋으며 운동 후에는 반드시 스트레칭을 통해 근육량을 늘리고 유연성을 높여야 한다. 운동 후 바로 잠자리에 드는 것은 피해야 하며 특히 아침에 일어나면 몸이 피곤해지기 때문에 무리하게 움직이면 오히려 역효과가 날 수도 있다...">

 > import torch
> from transformers import GPT2LMHeadModel

> model = GPT2LMHeadModel . from_pretrained ( 'skt/ KoGPT2 -base-v2' )
> text = '근육이 커지기 위해서는'
> input_ids = tokenizer . encode ( text , return_tensors = 'pt' )
> gen_ids = model . generate ( input_ids ,
                           max_length = 128 ,
                           repetition_penalty = 2.0 ,
                           pad_token_id = tokenizer . pad_token_id ,
                           eos_token_id = tokenizer . eos_token_id ,
                           bos_token_id = tokenizer . bos_token_id ,
                           use_cache = True )
> generated = tokenizer . decode ( gen_ids [ 0 ])
> print ( generated )
근육이 커지기 위해서는 무엇보다 규칙적인 생활습관이 중요하다 .
특히 , 아침식사는 단백질과 비타민이 풍부한 과일과 채소를 많이 섭취하는 것이 좋다 .
또한 하루 30 분 이상 충분한 수면을 취하는 것도 도움이 된다 .
아침 식사를 거르지 않고 규칙적으로 운동을 하면 혈액순환에 도움을 줄 뿐만 아니라 신진대사를 촉진해 체내 노폐물을 배출하고 혈압을 낮춰준다 .
운동은 하루에 10 분 정도만 하는 게 좋으며 운동 후에는 반드시 스트레칭을 통해 근육량을 늘리고 유연성을 높여야 한다 .
운동 후 바로 잠자리에 드는 것은 피해야 하며 특히 아침에 일어나면 몸이 피곤해지기 때문에 무리하게 움직이면 오히려 역효과가 날 수도 있다 ...

Спектакли

Классификация или регрессия

	ННМЦ(согласно)	КорСТС(копейщик)
KoGPT2 2.0	89,1	77,8

Данные

Помимо корейской Википедии, для обучения модели использовались различные данные, такие как новости и общедоступный корпус версии 1.0.

Демо

демо-ссылка

Примеры, предоставленные пользователями

• Корпус газет Национального института корейского языка (версия 1.1) Классификация тем новостных статей

Соответствующие пресс-релизы

• SKT разрабатывает новую версию « KoGPT2 », пишущего ИИ… Улучшена производительность за счет создания предложений → абзацев.
• [AI Model Explorer] #7 Корейская версия GPT-2, KoGPT2

Контакты

Пожалуйста, размещайте здесь вопросы, связанные с KoGPT2 .

Лицензия

KoGPT2 выпускается под лицензией CC-BY-NC-SA 4.0. Пожалуйста, соблюдайте условия лицензии при использовании моделей и кодов. Полную лицензию можно найти в файле LICENSE.